> ## Documentation Index > Fetch the complete documentation index at: https://private-7c7dfe99-parallel-read-in-order-multi-part.mintlify.site/llms.txt > Use this file to discover all available pages before exploring further. > 用于在指定网格上对时间序列数据执行类似 PromQL 的线性预测的聚合函数。 # timeSeriesPredictLinearToGrid ## timeSeriesPredictLinearToGrid 引入版本：v25.6.0 此聚合函数接受由时间戳和值组成的时间序列数据对，并在由起始时间戳、结束时间戳和步长定义的规则时间网格上，基于这些数据计算具有指定预测时间戳偏移量的[类似 PromQL 的线性预测](https://prometheus.io/docs/prometheus/latest/querying/functions/#predict_linear)。对于网格上的每个点，用于计算 `predict_linear` 的样本取自指定时间窗口内。 样本可以通过以下三种形式传入： * 作为两个参数 `timestamp` 和 `value`，其中每行包含一个样本； * 作为两个时间戳和值数组，其中每行包含一个完整的时间序列； * 作为由 `(timestamp, value)` 元组构成的单个数组，其中每行包含一个完整的时间序列。 如果多个样本具有相同的时间戳，则仅使用其中值最大的一个。NaN 值会被任何其他值优先选用，因此只有当该时间戳的所有样本均为 NaN 时，才会使用 NaN 值。 此函数处于私有预览阶段，请设置 `enable_time_series_aggregate_functions=true` 以启用。 **语法** ```sql theme={null} timeSeriesPredictLinearToGrid(start_timestamp, end_timestamp, grid_step, staleness, predict_offset)(timestamp, value) timeSeriesPredictLinearToGrid(start_timestamp, end_timestamp, grid_step, staleness, predict_offset)(samples) ``` **参数** * `start_timestamp` — 指定网格的起始时间。使用 `DateTime64` 时间戳参数时，也可以是小数，或包含数字或日期时间文本的字符串。[`UInt32`](/zh/reference/data-types/int-uint) 或 [`DateTime`](/zh/reference/data-types/datetime) 或 [`DateTime64`](/zh/reference/data-types/datetime64) 或 [`Float*`](/zh/reference/data-types/float) 或 [`Decimal*`](/zh/reference/data-types/decimal) 或 [`String`](/zh/reference/data-types/string) * `end_timestamp` — 指定网格的结束时间。使用 `DateTime64` 时间戳参数时，也可以是小数，或包含数字或日期时间文本的字符串。[`UInt32`](/zh/reference/data-types/int-uint) 或 [`DateTime`](/zh/reference/data-types/datetime) 或 [`DateTime64`](/zh/reference/data-types/datetime64) 或 [`Float*`](/zh/reference/data-types/float) 或 [`Decimal*`](/zh/reference/data-types/decimal) 或 [`String`](/zh/reference/data-types/string) * `grid_step` — 指定网格的步长 (以秒为单位) 。使用 `DateTime64` 时间戳参数时，也可以是小数，或包含数字或如 '15s'、'1m' 等时长的字符串。[`UInt32`](/zh/reference/data-types/int-uint) 或 [`Float*`](/zh/reference/data-types/float) 或 [`Decimal*`](/zh/reference/data-types/decimal) 或 [`String`](/zh/reference/data-types/string) * `staleness` — 指定所考虑样本的最大"陈旧度" (以秒为单位) 。陈旧度窗口为左开右闭区间。使用 `DateTime64` 时间戳参数时，也可以是小数，或包含数字或如 '15s'、'1m' 等时长的字符串。[`UInt32`](/zh/reference/data-types/int-uint) 或 [`Float*`](/zh/reference/data-types/float) 或 [`Decimal*`](/zh/reference/data-types/decimal) 或 [`String`](/zh/reference/data-types/string) * `predict_offset` — 指定要加到预测时间上的偏移秒数。[`UInt32`](/zh/reference/data-types/int-uint) 或 [`Float*`](/zh/reference/data-types/float) 或 [`Decimal*`](/zh/reference/data-types/decimal) 或 [`String`](/zh/reference/data-types/string) **参数** * `timestamp` — 样本的时间戳。可以是单个值或数组。[`UInt32`](/zh/reference/data-types/int-uint) 或 [`DateTime`](/zh/reference/data-types/datetime) 或 [`DateTime64`](/zh/reference/data-types/datetime64) 或 [`Array(UInt32)`](/zh/reference/data-types/array) 或 [`Array(DateTime)`](/zh/reference/data-types/array) 或 [`Array(DateTime64)`](/zh/reference/data-types/array) * `value` — 与时间戳对应的时间序列值。可以是单个值或数组。[`Float*`](/zh/reference/data-types/float) 或 [`Array(Float*)`](/zh/reference/data-types/array) * `samples` — 以元组数组 `(timestamp, value)` 的形式传递的时间序列样本，其中元组元素的类型为上面列出的时间戳和值类型。这是将时间戳和值作为两个单独参数传递的替代方式。[`Array(Tuple(T1, T2))`](/zh/reference/data-types/array) **返回值** 指定网格上的 `predict_linear` 值，以 `Array(Nullable(Float64))` 形式返回。返回数组在每个时间网格点包含一个值。如果窗口内没有足够的样本来计算某个网格点的速率值，则该值为 NULL。 **示例** **计算网格 \[90, 105, 120, 135, 150, 165, 180, 195, 210] 上偏移 60 秒的 predict\_linear 值** ```sql title=Query theme={null} SET enable_time_series_aggregate_functions = 1; WITH -- NOTE: the gap between 140 and 190 is to show how values are filled for ts = 150, 165, 180 according to window parameter [110, 120, 130, 140, 190, 200, 210, 220, 230]::Array(DateTime) AS timestamps, [1, 1, 3, 4, 5, 5, 8, 12, 13]::Array(Float32) AS values, -- array of values corresponding to timestamps above 90 AS start_ts, -- start of timestamp grid 90 + 120 AS end_ts, -- end of timestamp grid 15 AS step_seconds, -- step of timestamp grid 45 AS window_seconds, -- "staleness" window 60 AS predict_offset -- prediction time offset SELECT timeSeriesPredictLinearToGrid(start_ts, end_ts, step_seconds, window_seconds, predict_offset)(timestamp, value) FROM ( -- This subquery converts arrays of timestamps and values into rows of `timestamp`, `value` SELECT arrayJoin(arrayZip(timestamps, values)) AS ts_and_val, ts_and_val.1 AS timestamp, ts_and_val.2 AS value ); ``` ```response title=Response theme={null} ┌─timeSeriesPredictLinearToGrid(start_ts, end_ts, step_seconds, window_seconds, predict_offset)(timestamp, value)─┐ │ [NULL,NULL,1,9.166667,11.6,12.5,NULL,NULL,16.5] │ └─────────────────────────────────────────────────────────────────────────────────────────────────────────────────┘ ``` **使用数组参数的相同查询** ```sql title=Query theme={null} SET enable_time_series_aggregate_functions = 1; WITH [110, 120, 130, 140, 190, 200, 210, 220, 230]::Array(DateTime) AS timestamps, [1, 1, 3, 4, 5, 5, 8, 12, 13]::Array(Float32) AS values, 90 AS start_ts, 90 + 120 AS end_ts, 15 AS step_seconds, 45 AS window_seconds, 60 AS predict_offset SELECT timeSeriesPredictLinearToGrid(start_ts, end_ts, step_seconds, window_seconds, predict_offset)(timestamps, values); ``` ```response title=Response theme={null} ┌─timeSeriesPredictLinearToGrid(start_ts, end_ts, step_seconds, window_seconds, predict_offset)(timestamps, values)─┐ │ [NULL,NULL,1,9.166667,11.6,12.5,NULL,NULL,16.5] │ └───────────────────────────────────────────────────────────────────────────────────────────────────────────────────┘ ```